Google Antigravity réduit de plusieurs jours à une heure l’analyse de milliers de molécules

La recherche de nouveaux médicaments se heurte à une réalité d’ingénierie peu réjouissante : une grande partie du temps est consacrée non aux intuitions scientifiques, mais à la collecte et au nettoyage des données. Le chimiste doit extraire les structures moléculaires d’articles et d’images, vérifier les noms, éliminer les solvants, relier les composés aux résultats expérimentaux, puis préparer l’ensemble pour l’analyse. Une seule erreur sur un atome ou une liaison, et le système travaille déjà sur une autre molécule.

Google DeepMind a montré comment l’agent Antigravity, équipé de l’ensemble Cheminformatics Skills, exécute un tel cycle en environ une heure. Lors de la démonstration, il a rassemblé des données sur des milliers de composés associés à des traitements contre le cancer du poumon non à petites cellules, les a comparés, a construit des modèles d’activité et a proposé de nouvelles molécules ainsi que des voies de synthèse possibles. Auparavant, une itération de ce type prenait plusieurs jours et nécessitait l’intervention d’un spécialiste en chimie computationnelle.

L’agent pilote le processus, les outils effectuent les calculs

L’idée centrale n’est pas d’avoir appris à un modèle de langage à « deviner la chimie ». On lui confie plutôt le rôle de coordinateur : rechercher les sources, choisir l’étape d’analyse suivante, appeler les programmes nécessaires et compiler les résultats dans un rapport. Les calculs et la validation des structures sont assurés par des outils spécialisés, en premier lieu la bibliothèque open source RDKit, tandis que les données proviennent de ressources organisées comme ChEMBL et PubChem.

Cette séparation est utile bien au-delà de la chimie. Un modèle de langage sait relier les étapes d’un long processus et les expliquer à un humain, mais il convient mal aux opérations où un seul caractère erroné modifie le résultat. Les calculs moléculaires restent donc confiés à du code déterministe, qui peut être réexécuté et vérifié.

Pour illustrer cette approche, l’équipe a choisi la « rigidification » d’une molécule. Une molécule flexible peut adopter de nombreuses formes, alors qu’une configuration précise est nécessaire pour se lier à sa cible. Une liaison chimique supplémentaire limite le mouvement et peut parfois accroître l’activité. C’est notamment ce qui distingue le lorlatinib, un médicament macrocyclique plus rigide, du crizotinib, plus flexible.

Antigravity a trouvé dans la littérature les composés correspondants, nettoyé le jeu de données et les a présentés dans une interface interactive. Un graphique permettait de comparer l’activité cellulaire au nombre de liaisons rotatives : dans cet ensemble, les macrocycles plus rigides présentaient plus souvent une activité élevée. Cela ne démontre pas une règle universelle, mais fournit au chercheur une hypothèse claire à vérifier ensuite.

De la recherche de données à de nouveaux candidats

Après avoir préparé le jeu de données, l’agent a analysé des paires de molécules ne différant que par une modification mineure. Cette approche permet d’évaluer précisément ce qui s’est produit après la fermeture de la molécule en cycle, sans confondre cet effet avec une dizaine d’autres différences. Le système a ensuite construit plusieurs modèles d’activité utilisant des caractéristiques et des architectures différentes.

Point important, les modèles n’ont pas seulement été évalués sur des exemples mis de côté aléatoirement. L’équipe a utilisé une partition par squelettes chimiques afin que le jeu de test diffère plus nettement du jeu d’entraînement. Lorsque les dates de publication des composés sont disponibles, les compétences recommandent également d’entraîner le modèle sur les anciennes données et de le tester sur les nouvelles. Ces deux méthodes reflètent mieux la tâche réelle : prédire les propriétés d’une molécule inconnue, plutôt que reconnaître un proche parent d’un composé déjà observé.

À la dernière étape, l’agent a proposé plusieurs nouveaux macrocycles, expliqué la logique chimique, sélectionné des réactions possibles et dessiné des schémas de transfert d’électrons. Pour chaque variante, il a utilisé les modèles précédemment entraînés afin d’estimer l’activité attendue. Les résultats peuvent être exportés dans des formats compatibles avec les logiciels chimiques du secteur ou transmis à des calculs supplémentaires, notamment à des simulations de dynamique moléculaire et à l’analyse des structures protéiques.

Les limites de l’accélération

Il s’agit encore d’une démonstration réalisée par Google elle-même, et non d’une comparaison indépendante avec le travail de laboratoires. Le document ne présente pas de série publiée d’expériences physiques confirmant que les composés proposés peuvent effectivement être synthétisés et qu’ils fonctionnent mieux. La rareté des données, les différences entre protocoles de laboratoire et la plage limitée des mesures restreignent la précision de tout modèle.

Pour les développeurs de systèmes agentiques, la conclusion pratique est simple : la valeur ne vient pas d’un modèle qui dialogue de manière autonome avec lui-même, mais de son association avec des outils vérifiables, des sources et des points de contrôle réservés au spécialiste. Pour une équipe produit, c’est un bon modèle d’agent vertical : prendre un processus coûteux comportant de nombreuses étapes, confier les calculs aux logiciels spécialisés et réserver au modèle la navigation et l’explication. Mais la réussite ne doit pas être mesurée à la beauté du rapport : elle doit l’être au temps gagné avant une expérience vérifiable.

Ici, le résultat annoncé est d’environ une heure au lieu de plusieurs jours ; la réponse définitive appartient toujours au laboratoire.